编者按：一篇关于 MCP 作为 AI 应用标准交互层的概念综述。文章从模型能力如何依赖可获取的上下文出发引出该协议：从需要手动粘贴背景信息的聊天机器人，发展到直接连接数据源和工具的模型。随后按控制方梳理了 MCP 的三个核心接口：由用户触发的提示词（prompts）、由模型决定调用的工具（tools）、由应用管理的资源（resources），并类比 API 标准化了 Web 前后端、语言服务器协议（LSP）标准化了 IDE 与语言工具之间的通信。结尾谈到了 MCP 所解决的碎片化问题，以及远程服务器和注册中心等路线图项目——编辑注确认其中部分已经落地。核心要点：区分控制方（由谁决定每个原语何时触发），是向新人解释 MCP 架构最快的方式。阅读时值得放在手边的官方页面：MCP 规范、MCP 参考服务器。
1. MCP 的动机与背景
核心理念：模型的能力很大程度上取决于它接收到的上下文信息。
演进路径：从需要手动输入全部上下文的早期聊天机器人，发展到能够直接连接数据源和工具的模型，从而实现更强大、更个性化的 AI 应用。
MCP 的目标：作为一个开放协议，实现 AI 应用、智能体（Agent）与各种工具和数据源之间的无缝集成。
图 1：AI 上下文能力演进示意图
2. MCP 的类比与组成
类比 API：就像 API 标准化了 Web 应用前端与后端之间的交互。
类比 LSP（语言服务器协议）：就像 LSP 标准化了 IDE 与编程语言工具之间的交互。
MCP 定义了 AI 应用与外部能力交互的标准方式，主要包含三个核心接口。
图 2：MCP 与三大核心接口类比
接口 1：Prompts（提示词）
控制方：“用户” 👤
预定义的模板，由用户手动触发，用于常见、可预期的交互模式。
例如：文档问答模板、代码摘要模板。
接口 2：Tools（工具）
控制方：“模型” 🧠
模型（LLM）可以按需自主决定何时调用这些工具来完成任务。
例如：检索数据、发送邮件、更新数据库。
接口 3：Resources（资源）
控制方：“应用” 🖼️
由应用控制的数据源。应用可以灵活决定何时以及如何使用这些数据。
例如：图片、文本文件、JSON 数据、实时数据流。
3. MCP 解决的问题：碎片化
现状痛点：不同团队和应用以不同方式构建 AI 系统，导致严重的碎片化和重复开发。
MCP 的愿景：标准化 AI 开发流程。应用开发者只需兼容 MCP，就能零成本接入任何支持 MCP 的服务器。
- MCP 服务器（服务端）：封装各种系统和工具（数据库、CRM、API、版本控制等），为 LLM 提供标准的访问接口。
- MCP 客户端（客户端侧）：需要上下文和工具能力的 AI 应用（如 Cursor、Windsurf、Goose 等）。
图 3：MCP 如何解决集成碎片化问题
4. MCP 的核心价值
- 应用开发者 👨💻：一次兼容，处处连接。应用无需定制开发即可无缝访问任何 MCP 服务器。
- 工具/API 提供商 🛠️：一次构建 MCP 服务器，即可被众多 AI 应用集成使用。
- 最终用户 😊：获得更强大、更懂上下文的 AI 应用体验。
- 企业 🏢：明晰团队职责（例如基础设施团队维护服务器，应用团队专注应用），加速 AI 落地。
图 4：MCP 为生态带来的价值
5. MCP 的采用情况
它已在多个领域获得关注和采用：
- AI 应用/IDE：Github、文档站点等。
- MCP 服务器：社区目前维护着数以万计的服务器——本综述写作时数量刚过一千——Cloudflare、Stripe 等公司也提供了官方集成。
- 开源社区：活跃贡献。
图 5：MCP 生态采用情况概览
6. 构建 MCP 应用
MCP 客户端（客户端侧）：
- 调用
Tool执行操作。 - 查询
Resource获取数据。 - 填写
Prompt模板与用户交互。
MCP 服务器（服务端）：
- 对外暴露
Tool、Resource和Prompt供客户端使用。
7. 详解 Tool、Resource、Prompt
图 7：MCP 三大接口详解
Tool（模型控制）
- 由 LLM 自主决定何时调用。
- 用途：检索/发送数据、更新数据库、写文件、执行代码等。
Resource（应用控制）
- 由应用决定如何使用。
- 内容：图片、文本、JSON、结构化数据等。
- 支持静态和动态资源。
- 支持资源变更通知（服务器可以主动通知客户端更新）。
Prompt（用户控制）
- 由用户手动选择并触发。
- 用途：定义常用交互模板，简化用户操作。
8. MCP 与智能体（Agent）的关系
MCP 是智能体的基础协议。
增强型 LLM（Augmented LLM）：指 LLM 与检索系统、工具、记忆等外部组件的组合。MCP 为 LLM 与这些组件的交互提供了标准化的方式。
智能体核心循环：智能体本质上就是一个运行在循环中的增强型 LLM，持续执行任务、调用工具（通过 MCP）、分析结果并规划下一步。
MCP 的作用：赋予智能体可扩展性，使其能够在运行时动态发现并使用新能力（通过连接不同的 MCP 服务器）。
图 8：MCP 在智能体运行循环中的作用
9. mcp - agent 框架（由 LastMile AI 出品）
展示了如何使用 MCP 构建智能体系统。
- 提供一组用于构建智能体的组件（Agent、Task）。
- 简化智能体的构建流程，让开发者专注于智能体的核心逻辑。
- 以声明式方式定义智能体任务以及可用的 MCP 服务器和工具。
图 9：mcp - agent 框架简化智能体开发
10. 智能体协议能力
Sampling（采样，推理请求）
MCP 服务器可以请求客户端（应用）执行 LLM 推理调用，服务器自身无需集成 LLM。
可组合性
任何应用或 API 都可以同时充当 MCP 客户端和 MCP 服务器，实现能力的嵌套与组合。
11. MCP 路线图
- 远程服务器与认证：支持 OAuth 2.0 认证，由服务器负责处理认证流程。实现远程托管的服务器，用户无需手动安装和配置。通过会话令牌（Session Token）实现客户端与服务器之间的安全交互。
- 注册中心：统一的托管元数据服务，用于发现和管理 MCP 服务器，解决服务器的发现与发布问题，并支持版本控制、认证、安全校验等功能。
- 开发者体验与生态：着力改善开发者体验，完善文档。
图 11：MCP 未来发展路线图